很多时候，看见不少申报课题的立项依据、投稿论文的引言中写到，本项目（本论文）要利用深度学习（DL）做×××识别，大篇幅阐述了这类识别的重要性和应用前景。比如谈得最多的是有关各类病变的医学影像处理，主要难度是缺少大数据，因此，难于获得高精度的识别与分类结果。试问：

有了大数据还需要你研究吗，那不就是做一下标注的工作吗，这是工业届人士（工程师）去解决的问题。

研究背景中明确说到，这类影像针对的患者和病例达数亿人（如糖尿病、肝病等），那怎么还会缺大数据呢？只能说明，你不拥有大数据。既然你得不到数据，为啥还选择这个方向的研究呢？那么完全可以交给拥有大数据的机构去做。

所以，问题的本质不在数据少，而在于研究课题的本身所涉及的科学问题的凝练，你是要解决脏、乱、差样本的学习问题（共性问题），还是具体应用中数据存在的个性（语义）问题。

我们不能视深度学习为万能工具，而把数据当道具。这样的课题申报书和学术论文看起来就是千篇一律的，缺了一些特色和味道。

机器学习（ML）曾经历过演化计算（EC）、小波变换（WT）、压缩感知（CS）及视觉特征建模等一浪高过一浪的热潮，自泛信息领域通吃的深度学习（DL）粉墨登场以来，其热度和普及程度前所未有。于是乎，神马概率统计、矩阵理论、优化理论等数学基础和信号处理、图像处理、模式识别等专业基础均显得可有可无。当年，那些苦苦探寻BP神经网络动力学行为的学者们，也只能暗自神伤...端到端，意味着少了人的干预，意味着高度智能化。我们要做的就是在输入端准备好数据，输出端定义好结果...

ML领域的研究早已看不见以往所呈现的百花齐放的景象。

长按/扫一扫二维码，敬请关注“闻道研学”

相关博文：如何看待学生的追“AI”潮